CN111598620B - 二手车远程精准定价系统 - Google Patents
二手车远程精准定价系统 Download PDFInfo
- Publication number
- CN111598620B CN111598620B CN202010433413.4A CN202010433413A CN111598620B CN 111598620 B CN111598620 B CN 111598620B CN 202010433413 A CN202010433413 A CN 202010433413A CN 111598620 B CN111598620 B CN 111598620B
- Authority
- CN
- China
- Prior art keywords
- particle
- detection
- optimization
- local
- particles
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0278—Product appraisal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
二手车远程精准定价系统,包括移动检测终端、信息传输模块和在线定价中心,所述移动定价终端用于采集待定价二手车的相关信息,移动检测终端将采集的相关信息通过信息传输模块传输至在线定价中心,所述在线定价中心根据接收到的待定价二手车的相关信息和数据库中存储的二手车的相关信息对待定价二手车进行定价,本发明的有益效果:实现了对远程车辆做到在线定价,提高了二手车定价的工作效率。
Description
技术领域
本发明创造涉及二手车领域,具体涉及一种二手车远程精准定价系统。
背景技术
二手车作为非标产品,在整个产业链过程中,无论是线下的收销业务还是线上电商业务最关键的是车况认定,有了车况认定的前提下才能通过互联网形式进行升级扩容及产业整合,发挥更好的互联网效应,更有利于相关产业链企业做好车况风险管控及价格风险管控。
传统的在对二手车进行定价时,需要二手车的评估师亲自去到车里跟前,根据二手车的情况对二手车进行定价,然而当评估师和待评估的二手车不在同一个地方时,就需要评估师前往二手车的所在地,或者二手车前往评估师所在地,才能使评估师对二手车进行定价,导致二手车的定价效率较低。
发明内容
针对上述问题,本发明旨在提供一种二手车远程精准定价系统。
本发明创造的目的通过以下技术方案实现:
二手车远程定价系统,包括移动检测终端、信息传输模块和在线定价中心,所述移动检测终端包括信息输入模块、参数检测模块和图像采集模块,所述信息输入模块用于输入待定价二手车的基础信息,所述参数检测模块用于检测待定价二手车在行驶过程中的运行参数,所述图像采集模块用于采集待定价二手车的基础图像,移动检测终端将采集到的基础信息、运行参数和基础图像通过信息传输模块传输至在线定价中心,所述在线定价中心包括数据库、缺陷检测模块和在线定价模块,所述数据库中存储有二手车相对应的基本车型参数和已完成交易的二手车的基本参数和交易价格,所述缺陷检测模块用于根据接收到的二手车的基础图像对二手车的缺陷进行检测,并将检测所得的缺陷输入到在线定价模块,所述在线定价模块根据待定价二手车的型号在数据库中调取待定价二手车相对应的基本车型参数,并根据接收到的待定价二手车的基础信息和检测所得的缺陷对所述待定价二手车进行定价。
本发明创造的有益效果:通过移动检测终端采集待定价二手车的相关信息,并将采集到的相关信息传输至在线定价中心,在线定价中心根据接收到的待定价二手车的相关信息和数据库中存储的二手车的相关信息对待定价二手车的价格进行评估,实现了对远程车辆做到在线定价,提高了二手车定价的工作效率。
附图说明
利用附图对发明创造作进一步说明,但附图中的实施例不构成对本发明创造的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的二手车远程精准定价系统,包括移动检测终端、信息传输模块和在线定价中心,所述移动检测终端包括信息输入模块、参数检测模块和图像采集模块,所述信息输入模块用于输入所述待定价二手车的基础信息,所述参数检测模块用于检测待定价二手车在行驶过程中的运行参数,所述图像采集模块用于采集二手车的基础图像,移动检测终端将采集的基础信息、运行参数和基础图像通过信息传输模块传输至在线定价中心,所述在线定价中心包括数据库、缺陷检测模块和在线定价模块,所述数据库中存储有二手车相对应的基本车型参数和已完成交易的二手车的基本参数和交易价格,所述缺陷检测模块用于根据接收到的二手车的基础图像对二手车的缺陷进行检测,并将检测所得的缺陷输入到在线定价中心,所述在线定价中心根据待定价二手车的型号在数据库中调取待定价二手车相对应的基本车型参数,并根据接收到的待定价二手车的基础信息和检测所得的缺陷对所述待定价二手车进行定价。
优选地,所述二手车的基础信息包括二手车的型号、年龄和行驶里程。
优选地,所述基本车型参数包括新车不含税价格、车辆尺寸、发动机参数和性能参数。
优选地,所述二手车的基础图像包括二手车的外观图像和二手车的内饰图像。
优选地,二手车的评估师根据所述待定价二手车的基础图像对二手车的外观缺陷和内饰缺陷进行检测。
优选地,所述二手车的基本参数包括二手车的基础信息、二手车的外观缺陷和内饰缺陷以及二手车的基本车型参数。
优选地,所述在线定价模块采用训练好的BP神经网络模型根据待定价二手车的基本车型参数,待定价二手车的基础信息和检测所得的缺陷对二手车进行定价。
优选地,采用数据库中已存储的二手车的基本参数和交易价格对在线定价模块中采用的BP神经网络模型进行训练,所述二手车的基本参数为输入值,所述二手车的交易价格为输出值。
本优选实施例通过移动检测终端采集待定价二手车的相关信息,并将采集到的相关信息传输至在线定价中心,在线定价中心根据接收到的待定价二手车的相关信息和数据库中存储的二手车的相关信息对待定价二手车的价格进行评估,实现了对远程车辆做到在线定价,提高了二手车定价的工作效率。
优选地,在BP神经网络模型的训练过程中,采用粒子群算法对BP神经网络的初始权值和阈值进行优化,并将粒子群算法的适应度函数定义为:其中,p为训练的样本个数,ok为第k个样本的输出值,tk为第k个样本的目标值。
本优选实施例采用粒子群算法对BP神经网络的初始权值和阈值进行优化,能够有效的提高BP神经网络模型的定价准确度,对粒子群算法的适应度函数进行定义,粒子群中粒子的适应度函数值越大,表明粒子的寻优结果越好。
优选地,设ai表示粒子群中的第i个全局寻优粒子,且i=1,2,...N(a),N(a)表示全局寻优粒子的个数,设置全局寻优粒子ai采用下列方式进行更新:
Vi(t+1)=ωaVi(t)+c1r1(Besti(t)-Xi(t))+c2r2(Best(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
式中,Xi(t+1)和Vi(t+1)分别表示全局寻优粒子ai在第(t+1)次全局寻优迭代时的位置和速度,Xi(t)和Vi(t)分别表示全局寻优粒子ai在第t次全局寻优迭代时的位置和速度,c1和c2分别表示学习因子,r1和r2分别表示(0,1)之间的随机数,Besti(t)表示全局寻优粒子ai在第t次全局寻优迭代时的个体最优解,Best(t)表示全局寻优粒子在第t次全局寻优迭代时的全局最优解,ωa表示全局寻优粒子的惯性权重因子,且ωmax表示给定的最大惯性权重因子,ωmin表示给定的最小惯性权重因子,Tmax表示给定的最大全局寻优迭代次数。
其中,ra(0)表示给定的全局寻优粒子的初始局部邻域半径,fi(t-1)表示全局寻优粒子ai在第(t-1)次全局寻优迭代时的适应度函数值,fmax(t-1)表示全局寻优粒子在第(t-1)次全局寻优迭代时的最大适应度函数值。
本优选实施例用于确定全局寻优粒子的局部邻域,当全局寻优粒子的适应度函数值较高,表明该全局寻优粒子周围的区域具有较大的概率拥有最优解,因此,对该全局寻优粒子分配较小的局部邻域,缩小该全局寻优粒子的局部搜索范围,从而加强对该全局寻优粒子周围区域的搜索,此外,在全局寻优迭代初期,全局寻优粒子处于开发阶段,因此,对全局寻优粒子分配较大的局部邻域,加强全局寻优粒子的全局开发能力,在全局寻优迭代后期,全局寻优粒子处于局部探索阶段,因此,对全局寻优粒子分配较小的局部邻域,加强全局寻优粒子的局部搜索能力,从而提高了全局寻优粒子的收敛速度的同时,提高了全局寻优粒子的寻优能力。
优选地,在全局寻优粒子ai的局部邻域中随机初始化种群规模为的局部寻优粒子子群Bi,设其中,bi,j表示局部寻优粒子子群Bi中的第j个局部寻优粒子;所述局部寻优粒子子群Bi采用迭代的方式在局部邻域中进行局部寻优,设τ表示局部寻优粒子子群Bi当前的局部寻优迭代次数,τmax为给定的最大局部寻优迭代次数,在第τ次局部寻优迭代时,在局部寻优粒子子群Bi中选取个局部寻优粒子作为寻优检测粒子,的值为:
式中,表示局部寻优粒子bi,j在第τ次局部寻优迭代时的适应度函数值,fi(t)表示全局寻优粒子ai在第t次全局寻优迭代时的适应度函数值,为第一判断函数,当时,则当时,则α和β为权重系数,且α+β=1;
定义第τ次局部寻优迭代时在局部寻优粒子子群Bi中选取局部寻优粒子bi,j作为寻优检测粒子的优先级为Pi,j(τ),且Pi,j(τ)的计算公式为:
式中,bi,l表示局部寻优粒子子群Bi中的第l个局部寻优粒子,表示局部寻优粒子bi,l在第τ次局部寻优迭代时的适应度函数值,δ(bi,l,bi,j)表示局部寻优粒子bi,l和局部寻优粒子bi,j之间的统计系数,当局部寻优粒子子群Bi中距离局部寻优粒子bi,l最近的局部寻优粒子为bi,j且时,则δ(bi,l,bi,j)=1,否则,δ(bi,l,bi,j)=0,其中,d(bi,l,bi,j)表示局部寻优粒子bi,l和局部寻优粒子bi,j之间的距离,d(max)和d(min)表示局部寻优粒子子群Bi中局部寻优粒子之间距离的最大值和最小值;为第二判断函数,当时,则当时,则
将局部寻优粒子子群Bi中的局部寻优粒子按其被选取为寻优检测粒子的优先级由高到低进行排序,并选取前个局部寻优粒子作为局部邻域中的寻优检测粒子,将选取的寻优检测粒子组成集合Ci(τ),且其中,ci,u表示集合Ci(τ)中的第u个寻优检测粒子;将局部寻优粒子子群Bi中未被选取为寻优检测粒子的局部寻优粒子组成集合Si(τ),且其中,si,k表示集合Si(τ)中的第k个局部寻优粒子,表示集合Si(τ)中的局部寻优粒子数;在集合Si(τ)中选取寻优检测粒子的辅助寻优检测粒子,对集合Si(τ)中的局部寻优粒子进行遍历,当集合Si(τ)中的局部寻优粒子si,k满足δ(si,k,ci,u)=1时,则局部寻优粒子si,k为寻优检测粒子ci,u的辅助寻优检测粒子,其中,δ(si,k,ci,u)为局部寻优粒子si,k和寻优检测粒子ci,u之间的统计系数,当集合Ci(τ)中距离局部寻优粒子si,k最近的寻优检测粒子为ci,u且对,则δ(si,k,ci,u)=1,否则,δ(si,k,ci,u)=0,d(si,k,ci,u)表示局部寻优粒子si,k和寻优检测粒子ci,u之间的距离;
设Di,u(τ)表示寻优检测粒子ci,u的辅助寻优检测粒子的集合,且 其中,di,u,q表示集合Di,u(τ)中的第q个辅助寻优检测粒子,表示集合Di,u(τ)中的辅助寻优检测粒子数,令集合Di,u(τ)中的辅助寻优检测粒子采用迭代的方式进行辅助检测,且令集合Di,u(τ)中的辅助寻优检测粒子采用下式进行更新:
Vi,u,q(e+1)=Vi,u,q(e)+c1r1(Xi,u(e)-Xi,u,q(e))
Xi,u,q(e+1)=Xi,u,q(e)+Vi,u,q(e+1)
式中,e表示集合Di,u(τ)中的辅助寻优检测粒子的当前辅助检测迭代次数,Emax表示给定的最大辅助检测迭代次数,Vi,u,q(e)和Xi,u,q(e)表示辅助寻优检测粒子di,u,q在第e次辅助检测迭代时的速度和位置,Vi,u,q(e+1)和Xi,u,q(e+1)表示辅助寻优检测粒子di,u,q在第(e+1)次辅助检测迭代时的速度和位置,Xi,u(e)表示寻优检测粒子ci,u在第e次辅助检测迭代时的位置,Xi,u(0)表示寻优检测粒子ci,u在初始辅助检测迭代时的位置,且Xi,u(0)=Xi,u(τ),Xi,u(τ)表示寻优检测粒子ci,u在第τ次局部寻优迭代时的位置;
设表示集合Di,u(τ)中的辅助寻优检测粒子在第(e+1)次辅助检测迭代时检测到的最优解,表示最优解对应的适应度函数值,fi,u(e)表示寻优检测粒子ci,u的位置Xi,u(e)对应的适应度函数值,当对,则寻优检测粒子ci,u保持不变,当时,则令最优解对应的辅助寻优检测粒子替换原有的寻优检测粒子ci,u成为新的寻优检测粒子ci,u,并将原有的寻优检测粒子ci,u变换为新的寻优检测粒子ci,u的辅助寻优检测粒子,当寻优检测粒子ci,u的位置在辅助检测迭代过程中连续三次保持不变或当前辅助检测迭代次数e=Emax时,则寻优检测粒子ci,u和其辅助寻优检测粒子停止检测,当集合Ci(τ)中的寻优检测粒子和其辅助寻优检测粒子都停止检测时,局部寻优粒子子群Bi中的局部寻优粒子在局部邻域和进行第(τ+1)次局部寻优;
当局部邻域中的最优解在局部寻优迭代过程中连续三次没有出现变化时,则局部邻域中的局部寻优粒子子群Bi停止局部寻优,并令此时局部邻域中适应度函数值最大的粒子替换原有的全局寻优粒子ai,成为新的全局寻优粒子ai。
本优选实施例将局部寻优粒子子群在全局寻优粒子的局部邻域中进行随机初始化,从而对全局寻优粒子的局部邻域进行局部寻优,在对局部邻域进行局部寻优的过程中,在所述局部寻优粒子子群中选取若干个寻优检测粒子和其对应的辅助寻优检测粒子将所述局部邻域划分为若干个较小的区域,所述寻优检测粒子和其辅助寻优检测粒子对其对应的较小区域进行局部寻优,从而加强了所述局部邻域的搜索精度,选取的寻优检测粒子数根据局部邻域的范围和局部邻域中的适应度函数值的增长空间进行自适应的调整,使得选取的寻优检测粒子的个数能够适应局部邻域的搜索,当局部邻域的范围较大时,表明该局部邻域中较小概率存在最优解,即选取较少的寻优检测粒子对所述局部邻域进行划分,增加了寻优检测粒子和其辅助寻优检测粒子的检测范围,从而提高了寻优检测粒子的全局搜索能力,当局部邻域的范围较小时,表明该局部邻域中较大概率存在最优解,即选取较多的寻优检测粒子对所述局部邻域进行划分,减小了寻优检测粒子和其辅助寻优检测粒子的检测范围,从而提高了寻优检测粒子的局部搜索能力,此外,当局部邻域中的适应度函数值具有较大的增长空间时,选取较多的寻优检测粒子加强局部邻域中的局部搜索,当局部邻域中的适应度函数值具有较小的增长空间时,选取较少的寻优检测粒子加强局部邻域中的全局搜索;寻优检测粒子和其辅助寻优检测粒子采用迭代的方式在其所组成的较小区域中进行局部检测,令所述较小区域中检测到的最优解对应的粒子替换原有的寻优检测粒子并进行下一次的辅助检测迭代,直到所述较小区域中的寻优检测粒子的位置不再变化(即搜索到该较小区域中存在的最优解)或者到达给定的最大辅助检测迭代次数,当所述局部邻域中的寻优检测粒子都停止检测时,重新在局部寻优粒子子群中选取寻优检测粒子和其辅助寻优检测粒子,将所述局部区域划分为若干个较小区域继续进行局部搜索,直到局部邻域中的最优解不再变化,最后令搜索到的局部邻域中的最优解对应的粒子替换原有的全局寻优粒子,从而能够通过局部搜索使得全局寻优粒子朝着全局最优方向发展;在局部寻优粒子子群中选取寻优检测粒子时,定义了局部寻优粒子被选作寻优检测粒子的优先级,选取具有较大优先级的局部寻优粒子为寻优检测粒子,所述优先级的计算公式中的“局部寻优粒子当前局部寻优迭代时的适应度函数值”部分能够保证选取的寻优检测粒子的周围区域较大概率存在较优解,所述优先级的计算公式中“局部寻优粒子和其周围的局部寻优粒子的统计情况”的部分能够保证选取的寻优检测粒子能够拥有较多的辅助寻优检测粒子,优先级的计算公式中的“局部寻优粒子和其周围的局部寻优粒子的适应度函数值之间对比情况”的部分能够保证选取的寻优检测粒子在其周围拥有较大的适应度函数值,根据上述优先级选取的寻优检测粒子能够引导着其辅助寻优检测粒子朝着较优方向发展,从而加速了所述局部邻域的收敛速度。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (4)
1.二手车远程精准定价系统,其特征是,包括移动检测终端、信息传输模块和在线定价中心,所述移动检测终端包括信息输入模块、参数检测模块和图像采集模块,所述信息输入模块用于输入待定价二手车的基础信息,所述参数检测模块用于检测待定价二手车在行驶过程中的运行参数,所述图像采集模块用于采集待定价二手车的基础图像,移动检测终端将采集到的基础信息、运行参数和基础图像通过信息传输模块传输至在线定价中心,所述在线定价中心包括数据库、缺陷检测模块和在线定价模块,所述数据库中存储有二手车相对应的基本车型参数和已完成交易的二手车的基本参数和交易价格,所述缺陷检测模块用于根据接收到的二手车的基础图像对二手车的缺陷进行检测,并将检测所得的缺陷输入到在线定价模块,所述在线定价模块根据待定价二手车的型号在数据库中调取待定价二手车相对应的基本车型参数,并根据接收到的待定价二手车的基础信息和检测所得的缺陷对所述待定价二手车进行定价;在线定价模块采用训练好的BP神经网络模型根据待定价二手车的基本车型参数,待定价二手车的基础信息和检测所得的缺陷对二手车进行定价,采用数据库中已存储的二手车的基本参数和交易价格对在线定价模块中采用的BP神经网络模型进行训练,所述二手车的基本参数为输入值,所述二手车的交易价格为输出值;在BP神经网络模型的训练过程中,采用粒子群算法对BP神经网络的初始权值和阈值进行优化,并将粒子群算法的适应度函数定义为:其中,p为训练的样本个数,ok为第k个样本的输出值,tk为第k个样本的目标值;设ai表示粒子群中的第i个全局寻优粒子,且i=1,2,…N(a),N(a)表示全局寻优粒子的个数;设置全局寻优粒子ai采用下列方式进行更新:
Vi(t+1)=ωaVi(t)+c1r1(Besti(t)-Xi(t))+c2r2(Best(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
式中,Xi(t+1)和Vi(t+1)分别表示全局寻优粒子ai在第(t+1)次全局寻优迭代时的位置和速度,Xi(t)和Vi(t)分别表示全局寻优粒子ai在第t次全局寻优迭代时的位置和速度,c1和c2分别表示学习因子,r1和r2分别表示(0,1)之间的随机数,Besti(t)表示全局寻优粒子ai在第t次全局寻优迭代时的个体最优解,Best(t)表示全局寻优粒子在第t次全局寻优迭代时的全局最优解,ωa表示全局寻优粒子的惯性权重因子,且ωmax表示给定的最大惯性权重因子,ωmin表示给定的最小惯性权重因子,Tmax表示给定的最大全局寻优迭代次数;设表示全局寻优粒子ai在第t次全局寻优迭代时的局部邻域,且为以全局寻优粒子ai为中心,以为半径的环形区域,其中,表示全局寻优粒子ai在第t次全局寻优迭代时的局部邻域的半径,的值为:
其中,ra(0)表示给定的全局寻优粒子的初始局部邻域半径,fi(t-1)表示全局寻优粒子ai在第(t-1)次全局寻优迭代时的适应度函数值,fmax(t-1)表示全局寻优粒子在第(t-1)次全局寻优迭代时的最大适应度函数值;在全局寻优粒子ai的局部邻域中随机初始化种群规模为的局部寻优粒子子群Bi,设其中,bi,j表示局部寻优粒子子群Bi中的第j个局部寻优粒子;所述局部寻优粒子子群Bi采用迭代的方式在局部邻域中进行局部寻优,设τ表示局部寻优粒子子群Bi当前的局部寻优迭代次数,τmax为给定的最大局部寻优迭代次数,在第τ次局部寻优迭代时,在局部寻优粒子子群Bi中选取个局部寻优粒子作为寻优检测粒子,的值为:
式中,表示局部寻优粒子bi,j在第τ次局部寻优迭代时的适应度函数值,fi(t)表示全局寻优粒子ai在第t次全局寻优迭代时的适应度函数值,为第一判断函数,当时,则当时,则α和β为权重系数,且α+β=1;
定义第τ次局部寻优迭代时在局部寻优粒子子群Bi中选取局部寻优粒子bi,j作为寻优检测粒子的优先级为Pi,j(τ),且Pi,j(τ)的计算公式为:
式中,bi,l表示局部寻优粒子子群Bi中的第l个局部寻优粒子,表示局部寻优粒子bi,l在第τ次局部寻优迭代时的适应度函数值,δ(bi,l,bi,j)表示局部寻优粒子bi,l和局部寻优粒子bi,j之间的统计系数,当局部寻优粒子子群Bi中距离局部寻优粒子bi,l最近的局部寻优粒子为bi,j且时,则δ(bi,l,bi,j)=1,否则,δ(bi,l,bi,j)=0,其中,d(bi,l,bi,j)表示局部寻优粒子bi,l和局部寻优粒子bi,j之间的距离,d(max)和d(min)表示局部寻优粒子子群Bi中局部寻优粒子之间距离的最大值和最小值;为第二判断函数,当 时,则当时,则
将局部寻优粒子子群Bi中的局部寻优粒子按其被选取为寻优检测粒子的优先级由高到低进行排序,并选取前个局部寻优粒子作为局部邻域中的寻优检测粒子,将选取的寻优检测粒子组成集合Ci(τ),且其中,ci,u表示集合Ci(τ)中的第u个寻优检测粒子;将局部寻优粒子子群Bi中未被选取为寻优检测粒子的局部寻优粒子组成集合Si(τ),且其中,si,k表示集合Si(τ)中的第k个局部寻优粒子,表示集合Si(τ)中的局部寻优粒子数;在集合Si(τ)中选取寻优检测粒子的辅助寻优检测粒子,对集合Si(τ)中的局部寻优粒子进行遍历,当集合Si(τ)中的局部寻优粒子si,k满足δ(si,k,ci,u)=1时,则局部寻优粒子si,k为寻优检测粒子ci,u的辅助寻优检测粒子,其中,δ(si,k,ci,u)为局部寻优粒子si,k和寻优检测粒子ci,u之间的统计系数,当集合Ci(τ)中距离局部寻优粒子si,k最近的寻优检测粒子为ci,u且时,则δ(si,k,ci,u)=1,否则,δ(si,k,ci,u)=0,d(si,k,ci,u)表示局部寻优粒子si,k和寻优检测粒子ci,u之间的距离;
设Di,u(τ)表示寻优检测粒子ci,u的辅助寻优检测粒子的集合,且 其中,di,u,q表示集合Di,u(τ)中的第q个辅助寻优检测粒子,表示集合Di,u(τ)中的辅助寻优检测粒子数,令集合Di,u(τ)中的辅助寻优检测粒子采用迭代的方式进行辅助检测,且令集合Di,u(τ)中的辅助寻优检测粒子采用下式进行更新:
Vi,u,q(e+1)=Vi,u,q(e)+c1r1(Xi,u(e)-Xi,u,q(e))
Xi,u,q(e+1)=Xi,u,q(e)+Vi,u,q(e+1)
式中,e表示集合Di,u(τ)中的辅助寻优检测粒子的当前辅助检测迭代次数,Emax表示给定的最大辅助检测迭代次数,Vi,u,q(e)和Xi,u,q(e)表示辅助寻优检测粒子di,u,q在第e次辅助检测迭代时的速度和位置,Vi,u,q(e+1)和Xi,u,q(e+1)表示辅助寻优检测粒子di,u,q在第(e+1)次辅助检测迭代时的速度和位置,Xi,u(e)表示寻优检测粒子ci,u在第e次辅助检测迭代时的位置,Xi,u(0)表示寻优检测粒子ci,u在初始辅助检测迭代时的位置,且Xi,u(0)=Xi,u(τ),Xi,u(τ)表示寻优检测粒子ci,u在第τ次局部寻优迭代时的位置;
设表示集合Di,u(τ)中的辅助寻优检测粒子在第(e+1)次辅助检测迭代时检测到的最优解,表示最优解对应的适应度函数值,fi,u(e)表示寻优检测粒子ci,u的位置Xi,u(e)对应的适应度函数值,当时,则寻优检测粒子ci,u保持不变,当时,则令最优解对应的辅助寻优检测粒子替换原有的寻优检测粒子ci,u成为新的寻优检测粒子ci,u,并将原有的寻优检测粒子ci,u变换为新的寻优检测粒子ci,u的辅助寻优检测粒子,当寻优检测粒子ci,u的位置在辅助检测迭代过程中连续三次保持不变或当前辅助检测迭代次数e=Emax时,则寻优检测粒子ci,u和其辅助寻优检测粒子停止检测,当集合Ci(τ)中的寻优检测粒子和其辅助寻优检测粒子都停止检测时,局部寻优粒子子群Bi中的局部寻优粒子在局部邻域中进行第(τ+1)次局部寻优;
2.根据权利要求1所述的二手车远程精准定价系统,其特征是,所述二手车的基础信息包括二手车的型号、年龄和行驶里程。
3.根据权利要求2所述的二手车远程精准定价系统,其特征是,基本车型参数包括新车不含税价格、车辆尺寸、发动机参数和性能参数。
4.根据权利要求3所述的二手车远程精准定价系统,其特征是,二手车的基础图像包括二手车的外观图像和二手车的内饰图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433413.4A CN111598620B (zh) | 2020-05-20 | 2020-05-20 | 二手车远程精准定价系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010433413.4A CN111598620B (zh) | 2020-05-20 | 2020-05-20 | 二手车远程精准定价系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598620A CN111598620A (zh) | 2020-08-28 |
CN111598620B true CN111598620B (zh) | 2021-02-05 |
Family
ID=72185887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010433413.4A Expired - Fee Related CN111598620B (zh) | 2020-05-20 | 2020-05-20 | 二手车远程精准定价系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598620B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232235B (zh) * | 2020-10-20 | 2021-06-04 | 徐向峰 | 基于5g和算法的智慧工厂远程监控方法及系统 |
CN112819571A (zh) * | 2021-01-21 | 2021-05-18 | 广东唯普汽车电子商务股份有限公司 | 一种二手车辆远程报价方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201378320Y (zh) * | 2009-03-26 | 2010-01-06 | 苏州市职业大学 | 一种二手车评估定价系统 |
CN204116894U (zh) * | 2014-09-19 | 2015-01-21 | 杭州车水马龙信息科技有限公司 | 二手车智能检测装置 |
CN106971322A (zh) * | 2017-05-17 | 2017-07-21 | 因车(上海)企业管理有限公司 | 一种用于二手车远程评估的鉴价系统及其鉴价方法 |
CN109583926A (zh) * | 2017-09-29 | 2019-04-05 | 优估(上海)信息科技有限公司 | 一种二手车定价方法装置及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107369043A (zh) * | 2017-07-19 | 2017-11-21 | 河海大学常州校区 | 一种基于bp神经网络的二手车价格评估优化算法 |
CN110264229A (zh) * | 2018-03-12 | 2019-09-20 | 优估(上海)信息科技有限公司 | 基于全连接神经网络的二手车定价方法,装置,及系统 |
CN208479826U (zh) * | 2018-07-13 | 2019-02-05 | 北京酷车易美网络科技有限公司 | 一种车辆车况分析系统 |
CN109034898A (zh) * | 2018-07-25 | 2018-12-18 | 河海大学常州校区 | 一种基于改进蚁群的bp神经网络二手车价格评估算法 |
-
2020
- 2020-05-20 CN CN202010433413.4A patent/CN111598620B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201378320Y (zh) * | 2009-03-26 | 2010-01-06 | 苏州市职业大学 | 一种二手车评估定价系统 |
CN204116894U (zh) * | 2014-09-19 | 2015-01-21 | 杭州车水马龙信息科技有限公司 | 二手车智能检测装置 |
CN106971322A (zh) * | 2017-05-17 | 2017-07-21 | 因车(上海)企业管理有限公司 | 一种用于二手车远程评估的鉴价系统及其鉴价方法 |
CN109583926A (zh) * | 2017-09-29 | 2019-04-05 | 优估(上海)信息科技有限公司 | 一种二手车定价方法装置及系统 |
Non-Patent Citations (1)
Title |
---|
"基于粒子群优化算法的BP神经网络漏钢预报模型";李珊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150115(第01期);论文第3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN111598620A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993082B (zh) | 卷积神经网络道路场景分类与道路分割方法 | |
US20210303911A1 (en) | Method of segmenting pedestrians in roadside image by using convolutional network fusing features at different scales | |
CN111598620B (zh) | 二手车远程精准定价系统 | |
US20210174149A1 (en) | Feature fusion and dense connection-based method for infrared plane object detection | |
CN103049792B (zh) | 深层神经网络的辨别预训练 | |
US20240112090A1 (en) | Concurrent optimization of machine learning model performance | |
CN111507488B (zh) | 一种基于vr的车辆维修保养辅助系统 | |
US20220156576A1 (en) | Methods and systems for predicting dynamic object behavior | |
CN110910180B (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN110910531B (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
CN112818873A (zh) | 车道线检测方法、系统及电子设备 | |
CN112990065A (zh) | 一种基于优化的YOLOv5模型的车辆分类检测方法 | |
CN111144462B (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN111580526B (zh) | 面向固定车辆编队场景的协同驾驶方法 | |
CN115743101A (zh) | 车辆轨迹预测方法、轨迹预测模型训练方法和装置 | |
CN116858241A (zh) | 一种移动机器人在匹配网络在强化学习中的应用方法 | |
CN115359455A (zh) | 一种基于深度学习的轻量级车辆检测方法 | |
CN114418213A (zh) | 一种基于深度强化学习的城市电动车辆调度方法和系统 | |
CN114782114A (zh) | 一种基于CNN-GRU和SSA-GWO-LightGBM的机票价格预测方法 | |
CN114549909A (zh) | 一种基于自适应阈值的伪标签遥感图像场景分类方法 | |
CN112488160B (zh) | 图像分类任务的模型训练方法 | |
CN115687330A (zh) | 一种汽车故障码解析方法、存储介质及电子设备 | |
CN114492732A (zh) | 一种面向自动驾驶视觉检测轻量化模型蒸馏方法 | |
CN114444737A (zh) | 基于迁移学习的路面养护智能规划方法 | |
CN113095328A (zh) | 一种基尼指数引导的基于自训练的语义分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220805 Address after: Room 301-65, 3rd Floor, No. 1220 Tongpu Road, Putuo District, Shanghai 200000 Patentee after: YULIAN INTELLIGENT TECHNOLOGY DEVELOPMENT (SHANGHAI) Co.,Ltd. Address before: 4 / F, 416 Zhoushi Road, Pudong New Area, Shanghai, 200120 Patentee before: Shanghai Xianhe Automobile Information Consulting Service Co.,Ltd. |
|
TR01 | Transfer of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210205 |
|
CF01 | Termination of patent right due to non-payment of annual fee |